崔延硕，曾勇华，张国雄（.成都理工大学　信息科学与技术学院；.成都理工大学　地球物理学院，成都　60059）



PCA主成分分析在面部特征识别中的应用

崔延硕1，曾勇华2，张国雄1
（1.成都理工大学信息科学与技术学院；2.成都理工大学地球物理学院，成都610059）

摘要：在实际应用中，面部往往看成高维数据，因此会遇到维数灾难问题，需要对数据降维方便特征提取。PCA（principal Component Analysis）算法能够用于对原有数据进行简化，将复杂数据降维，利用这个原理对高维面部图像进行表征，通过去除相关性，减少冗余，用相对较少的变量来表达面部最主要的特征，达到快速识别面部的目的。

关键词：PCA；降维；面部特征图像；快速识别

0　引言

PCA方法是面部识别的主流方法之一， 主要用于数据降维，对于一系列sample的feature组成的多维向量，多维向量里的某些元素本身没有区分性，用它做特征来区分，贡献会非常小。所以我们的目的是找那些方差大的那些维，而去除掉那些变化不大的维，从而使feature留下的都是“精品”，减低计算量。

1　PCA算法基本原理

在整体面部近似重建方面，PCA方法已被广泛应用于面部特征识别领域。使用加权组合的特征向量，把给定的图像用被看成全局面部的特征图像进行扩展。人脸数据库中所有面部被以高维向量构造出整个图像空间。由于面部都有相似的结构（眼睛，鼻子和嘴等），所以描述面部的向量之间相互联系，因此面部特征图像可以用一组由训练面部图像协方差矩阵产生的特征向量表示。……